深度学习前列腺癌检测和细分在双参数与多参数磁共振成像:动态对比增强成像的附加值

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 前列腺癌的诊断依赖于多参数磁共振成像 (mpMRI).
• 双参数MRI (bpMRI) 是一种替代方案,但其诊断性能需要进一步评估.
• 深度学习 (DL) 为增强基于MRI的癌症检测算法提供了潜力.

研究的目的:

• 开发和比较基于DL的诊断算法,用于前列腺癌检测和细分.
• 为了评估与bpMRI相比,mpMRI中的动态对比增强 (DCE) 成像的诊断价值.

主要方法:

• 使用T2加权,T2加权加DCE,bpMRI和mpMRI序列开发DL算法.
• 在332名患者的3227个成像组数据集上进行培训和验证 (218名癌症患者,114名非癌症患者).
• 用649个成像组进行临床显著癌症检测的性能评估.

主要成果:

• 与bpMRI (分别p<0.001和p=0.013) 相比,mpMRI显示出更高的特异性 (89.5%与72.6%) 和积极的预测值 (74.8%与61.3%).
• 通过mpMRI检测到的错误阴性癌症较小,攻击性较小 (等级组 ≤2).
• 在mpMRI中进行DCE成像有助于减少过度诊断,特别是在外围区域.

结论:

• 在前列腺癌检测特异性和积极预测价值方面,DL增强的mpMRI显著优于bpMRI.
• 在mpMRI中包含DCE成像对于减少过度诊断是有价值的.
• mpMRI算法显示出改善前列腺癌诊断和管理的前景.